DNNを使用した新しいかな漢字変換『EgoisticLily』 その仕組みとは？
?
0 likes?1,243 views
DNNを使用した新しいかな漢字変換『EgoisticLily』 はAutoEncoderを使用したモデルです。その仕組みを紹介します。
DNNを使用した新しいかな漢字変換『EgoisticLily』 その仕組みとは？
- 1. DNNを使用した新しいかな漢字変換 New『Genji』(仮) その仕組みとは？ はしもとまさひこ＠おーぷん万葉 KANSAI Open Forum 2019 2019/11/8
- 2. 2019/11/8DNNを使用した新しいかな漢字変換 2/31 自己紹介 Name： はしもとまさ（または鹿） Twitter: @shikanotsukimi ● 東海道らぐ (Tokaido Liuxn Uesr Gruop) …の関東案内人 ● おーぷん万葉プロジェクト オープンデータを使用したかな漢字変換の自作など ● ちびぎーこ保護者会（別名：日本openSUSEユーザ会） およそ雑用……？
- 3. 2019/11/8DNNを使用した新しいかな漢字変換 3/31 鹿野月美として小説書いてる件 ● 『冴えないフミオの育てかた』 – 今秋映画化された『冴えない彼女の育てかた』の二次小説 – めちゃくちゃ可愛い絵描きさんが主人公 （アニメには一切出てこない地味キャラですが） – 映画も始まったせいか、まもなく１００００PV達成（見込み） ● 冬コミにて脚本デビュー！？？ – 『おーぷんそーすちゃんねる』にてラジオCDの脚本を担当 – 今回は初の壁配置サークル！！ そして豪華声優陣！！？ ４日目（大晦日！！）南ナ３９ｂ 当日は声優さんもいる……かな？ – 絶賛シナリオ書いてます???orz
- 5. 2019/11/8DNNを使用した新しいかな漢字変換 5/31 これまでのかな漢字変換 OSSでもかな漢字変換は数多くリリースされてきました – 1987年： FreeWnn ● OSC京都でお馴染み（？）のかな漢字変換 – 1990年： Canna ● 逐次変換機能（いわゆるライブ変換？）の先駆者 – 2000年： SKK ● 未だに現役！？？ – 2001年： Anthy ● 京都の生んだもう一つのOSSかな漢字変換
- 6. 2019/11/8DNNを使用した新しいかな漢字変換 6/31 最近のかな漢字変換と言えば？ ● 2010年： Mozc – Google日本語入力のOSS版 – 最近のLinuxディストリビューションの標準 ● 2013年： libkkc – RedHatが開発したN-gramのかな漢字変換 – Fedora & RadHatで使用
- 7. 2019/11/8DNNを使用した新しいかな漢字変換 7/31 Mozc ? Since 2010 ? Google日本語入力のオープンソース版 ● 現在のLinuxデフォルトといえばほぼこれ！ – Ubuntu、Debian、openSUSE… – 例外： RedHat系（Fedora、CentOS） ● 形態素解析を用いたかな漢字変換 形態素解析器 Mecab と同じ開発者（工藤拓氏）
- 8. 2019/11/8DNNを使用した新しいかな漢字変換 8/31 こんな感じの変換方法（コスト最小法） 文 頭 私 の 名前 は 中野 注：ちょっと（かなり？）端折って説明します^^; 例）「わたしのなまえはなかのです」を変換する場合 （コストの値はテキトーです！） です 文 末ので す 中 綿 市 花 課 10 30 15 30 15 10 15 40 20 50 ● 単語生起コスト： 単語の出現優先度を表したコスト ● 連接コスト： 単語と単語の結びつきやすさを表したコスト → 全て足して、合計値が最も低いルートが候補になります 15 30 40 45 20 20 20 20 50 20 25 30 40 45 20 20 出現頻度の高い単語は 単語生起コストが低い 「名前」と「花」という単語は 結びつきにくいので連接コストは高い
- 9. 2019/11/8DNNを使用した新しいかな漢字変換 9/31 Mozcの問題点 ● 現在開発が停止してしまっています！！ – 例えば『令和』 この単語を追加するのに 各ディストリビューション毎に対応する必要が 発生してしまっている状況 （Debian, Ubuntu, openSUSE...） – 連接コストについては『平成』からの丸パクリ対応 – 但し、単語生起コストについては適当な値を 入れるしかない ※本来はコーパスから導く必要のある値
- 10. 2019/11/8DNNを使用した新しいかな漢字変換 10/31 （もうひとつの）libkkc ?Since 2013? N-gramによるかな漢字変換 ＝ ビッグデータ（巨大コーパス）を十分に活かせる その反面、辞書が大きくなりすぎてしまう危険性… つまり、形態素解析を行わないかな漢字変換 ? 文節区切りができません！
- 11. 2019/11/8DNNを使用した新しいかな漢字変換 11/31 libkkcの変換用データ -1.114728 ぬいぐるみ/ぬいぐるみ 」/」 ていど/程度 -0.667107 ぬいぐるみ/ぬいぐるみ 」/」 と/と -0.643911 ぬいぐるみ/ぬいぐるみ うらない/占い を/を -0.740726 ぬいぐるみ/ぬいぐるみ たすう/多数 を/を -0.454970 ぬいぐるみ/ぬいぐるみ だ/だ が/が -0.814252 ぬいぐるみ/ぬいぐるみ で/で わりお/ワリオ -1.110465 ぬいぐるみ/ぬいぐるみ は/は かのじょ/彼女 -0.802579 ぬいぐるみ/ぬいぐるみ やら/やら しゃしん/写真 -1.626115 ぬいぐるみ/ぬいぐるみ を/を 「/「 -1.708439 ぬいぐるみ/ぬいぐるみ を/を せいさく/製作 -1.631926 ぬいぐるみ/ぬいぐるみ を/を つく/作 -1.713616 ぬいぐるみ/ぬいぐるみ を/を なげつけ/投げつけ -1.681401 ぬいぐるみ/ぬいぐるみ を/を のこ/残 -1.713256 ぬいぐるみ/ぬいぐるみ を/を もちこ/持ち込 -1.714574 ぬいぐるみ/ぬいぐるみ を/を よご/汚 -1.716680 ぬいぐるみ/ぬいぐるみ を/を りんぐ/リング -0.813648 ぬいぐるみ/ぬいぐるみ （/（ じょん/ジョン -0.803737 ぬいぐるみ/ヌイグルミ の/の こと/こと 単語単位ではなく 単語の組み合わせ単位で 変換用データとして 登録されていますね libkkcの場合は ３単語ずつの組み合わせ ＝ 3-gram ＝ tri-gram これ、ノイズでは？？？ 実は品詞情報を 一切持っていません！
- 13. 2019/11/8DNNを使用した新しいかな漢字変換 13/31 これまでの深層学習を利用したかな漢字変換 自然言語処理の深層学習といえば……？ – RNN – 奥辞谤诲2痴别肠 ←この実装本当にある？？？
- 14. 2019/11/8DNNを使用した新しいかな漢字変換 14/31 深層学習の主流はこんな感じとか かな漢字変換 ? RNN RNN = 時系列が存在するニューラルネットワーク 私 輪他市 綿し わたし の の 野 生絵名前 なまえ 菜真絵 青丸ひとつひとつが「重み」 これだけの計算が必要…orz
- 16. 2019/11/8DNNを使用した新しいかな漢字変換 16/31 私の（これまでの）正直な感想。 深層学習でかな漢字変換って やっぱりまだまだなのでは？ ……と、去年まではそう話しておりました。
- 18. 2019/11/8DNNを使用した新しいかな漢字変換 18/31 使用しているモデル ＝ AutoEncoder 入力をエンコードして、特徴抽出した後 デコードしてデータを復元し、入力値と比較する ?きちんと復元できればそれって異常なし！ 異常検知ではわりとどこでも使われてる一般的なモデルです！ 入力 出力 特徴抽出 二乗誤差を算出して 誤差が大きい 異常度が高い?
- 20. 2019/11/8DNNを使用した新しいかな漢字変換 20/31 異常度＝＝コスト！？？ ● Mozc – 連接コスト＆生起コストを算出し コストが低いルートを選択してかな漢字変換を行う ● 異常検知 – 異常度を算出し、異常度が高いと異常を検知する ようはスコアが低くなるルートを選択するんですよね？ やってること同じじゃない！？？
- 22. 2019/11/8DNNを使用した新しいかな漢字変換 22/31 係り受けに着目してみよう ● 「私 / の / 名前」 ?「私」が「名前」に係っている 「私」と「名前」という単語を「の」が結んでいる ● 「私 / が / 名前」 ?「私」が「名前」に係っていない 上記の３単語は関連性がない ３単語をペアにして、正常か否かを学習させてみる
- 23. 2019/11/8DNNを使用した新しいかな漢字変換 23/31 とりあえずこんな学習させてみた １．係り受けで紐づく３単語をセットにして抽出 ?それぞれの単語に16bitの乱数を設定 ?16列のベクトル（0 or 1）に変換して ３単語 × 16bit ＝ 48列をひとつの学習データとする 1 0 0 1 …… 1 0 1 1 1 …… 0 1 1 1 0 …… 0 私 の 名前 合計48bitの 0 or 1 をAutoEncoderの入力へ 単語ごとに テキトーな乱数を 16bit化
- 24. 2019/11/8DNNを使用した新しいかな漢字変換 24/31 単語をベクトル化？？？ ２．AutoEncoderで学習させて出力として出てきたベクトルを 次回学習時の入力として使用する ※平均をとり、平均以上の値を “1”、そうでなければ “0” として 再度16bitの値へ変換する（もっといい方法ある…？） 入力 出力 48bitの 0 or 1 の行列 48個の float型 の配列 Auto Encoder 配列の平均を取り 0 or 1 の行列へ 変換 再び入力へ
- 29. 2019/11/8DNNを使用した新しいかな漢字変換 29/31 今後の課題 実はこのモデル（気づいたと思いますが） 頻度情報を持っていません！！ ※敢えて持たせないようにしていたとも言う…… 下記の問題をどう解決するか？ おおさかじょう 大阪城? or 大坂城！？ ※品詞も同じのため、どちらが優先されるかは運次第？